Dit hoofdstuk geeft je de kennis en vaardigheden om je Machine Learning-modellen van de onderzoeks- en ontwikkelfase naar een productieomgeving te brengen. Je leert over de overgang van een onderzoeksprototype naar een betrouwbaar, schaalbaar en onderhoudbaar systeem.

Een MLOps-mentaliteit aannemen

Wat is een belangrijk aspect van MLOps?

Wat is technische schuld?

Onderhoudbare ML-code schrijven

Versiebeheer

Code-organisatie

Effectieve ML-documentatie schrijven

Waarom documenteer je labelmethoden?

MLOps-best practices

Van onderzoek naar productie

In dit hoofdstuk leer je over het belang van reproduceerbaarheid in Machine Learning, en hoe je ervoor zorgt dat je modellen in de tijd reproduceerbaar en betrouwbaar blijven. Je verkent verschillende technieken en best practices die je kunt gebruiken om de reproduceerbaarheid van je modellen te garanderen.

Reproduceerbare experimenten ontwerpen

Reproduceerbaarheid in ML

Belangrijke aspecten voor reproduceerbaarheid en betrouwbaarheid herkennen

Betrouwbaarheidselementen sorteren

Aspecten van reproduceerbaarheid en documentatiepraktijken sorteren

Feature engineering

Doelen en technieken van feature engineering classificeren

Technieken voor gegevensmanipulatie en -transformatie herkennen

Feature selection

Versiebeheer van data en modellen

Model store

Versiebeheer van trainingsdata

Reproduceerbaarheid waarborgen

In hoofdstuk 3 bekijk je de verschillende uitdagingen bij het uitrollen van Machine Learning-modellen naar productieomgevingen. Je leert over uiteenlopende aanpakken voor het deployen van ML-modellen in productie en over strategieën voor het monitoren en onderhouden van ML-modellen in productie.

ML-modellen verpakken

Doel van serialiseren en containerizen

Volgorde voor modelpackaging

Schaalbaarheid

Modelcomplexiteit

Schaaltechnieken categoriseren

Automatisering

Voordelen van continuous delivery

CI/CD-stappen

ML-modellen in productie brengen

ML in productieomgevingen

In het laatste hoofdstuk leer je over verschillende manieren om Machine Learning-pijplijnen te testen en te zorgen dat ze presteren zoals verwacht. Je ontdekt het belang van het testen van ML-pijplijnen en leert technieken voor het testen en valideren van ML-pijplijnen.

Betrouwbaarheid van modellen

Options

Testing Pipeline Readiness

Testing for Pipeline Staleness

Teststrategieën categoriseren voor ML-pipelinegereedheid en -veroudering

Modelveroudering aanpakken in Machine Learning-pijplijnen

Gegevens testen

De juiste test kiezen

Consistentiecontrole

Modellen testen

Klantlevenswaarde voorspellen

Individual Fairness

Group Fairness

Gelijkheid classificeren

Opties

Code die modellen produceert testen

Data testen

ML-pipelines testen

Gefeliciteerd!

ML-pijplijnen testen

Veel content over Machine Learning richt zich op het trainen van modellen en het afstemmen van parameters, maar 90% van de experimentele modellen haalt de productie nooit, vooral omdat ze niet gebouwd zijn om lang mee te gaan. In deze cursus leer je hoe een verschuiving van een machine learning engineering-mentaliteit naar een MLOps- (Machine Learning Operations) mentaliteit je in staat stelt om je modellen te trainen, documenteren, onderhouden en op te schalen tot hun volle potentieel.

Veel van de huidige informatie over machine learning gaat over het trainen van modellen en het afstemmen van parameters, maar 90% van de experimentele modellen haalt de productie nooit, vooral omdat ze niet zijn gebouwd om lang mee te gaan. In deze cursus zie je hoe je door je mindset te veranderen van machine learning engineering naar MLOps (Machine Learning Operations) je modellen optimaal kunt trainen, documenteren, onderhouden en opschalen.
Experimenteer en documenteer makkelijk
Experimenteren met ML-modellen is vaak leuk, maar kan best tijdrovend zijn. Hier leer je hoe je experimenten kunt ontwerpen die je steeds opnieuw kunt doen om dit proces te versnellen, terwijl je documentatie maakt voor jezelf en je teamgenoten, waardoor toekomstig werk aan de pijplijn een fluitje van een cent wordt.
MLOps-modellen bouwen voor productie
Je leert de beste manieren om zowel modellen als omgevingen voor productie te verpakken en te serialiseren, zodat modellen zo lang mogelijk meegaan.
Schaal je ML-pijplijnen op en automatiseer ze
Door rekening te houden met de complexiteit van modellen en gegevens en door te gaan met automatisering, kun je ervoor zorgen dat je modellen geschikt zijn voor productiegebruik en in een handomdraai kunnen worden gecontroleerd en geïmplementeerd.

Als je deze cursus hebt gedaan, kun je machine learning-modellen ontwerpen en ontwikkelen die klaar zijn voor productie en deze in de loop van de tijd steeds beter maken.

MLOps Concepts

Supervised Learning with scikit-learn

Schakel over naar een MLOps-mentaliteit om je machine learning-modellen optimaal te benutten.

Machine Learning-modellen ontwikkelen voor productie

Ga voor een MLOps-mentaliteit, zodat je je machine learning-modellen kunt trainen, documenteren, onderhouden en opschalen tot hun volledige potentieel.

MLOps Fundamentals

Dezelfde kredietscore en inkomen, maar toch verschillende rentepercentages

Twee kandidaten hebben vrijwel dezelfde kwalificaties en ervaring, maar de één wordt al in de eerste ronde afgewezen terwijl de ander de baan krijgt.

Een zorgmodel raadt minder snel nuttige behandelingen aan voor mensen die in fabrieken werken, omdat zij mogelijk te veel kosten maken.

Online advertenties die goedbetaalde vacatures vaker aan mannen tonen dan aan vrouwen

Minder nauwkeurig voor mensen met een donkere huidskleur

De politie gebruikt gezichtsherkenningstechnologie die voor bepaalde typen personen minder nauwkeurig is, wat leidt tot onterechte arrestaties

Gelijkheid classificeren

Machine Learning-modellen ontwikkelen voor productie

Interactieve oefening met praktijkervaring